Pseudo-LiDAR from Visual Depth Estimation: Bridging the Gap in 3D Object Detection for Autonomous Dr

项目链接：https://mileyan.github.io/pseudo_lidar/

代码链接：https://github.com/mileyan/pseudo_lidar

摘要

       3D目标检测是一个重要的任务在自动驾驶领域。最近高精度检测率技术清单中，提供3D输入数据被提供从精确但是昂贵的LiDAR（激光雷达）技术。方法基于便宜的单目或者立体图像数据，直到现在，结果全部都是低精度-一个问题比较常见地导致是基于图像深度估计的缺少。然而，在这篇文章中，我们讨论的不是数据的质量而是数据的表现性。使用内部网络的卷积神经网络去考虑，我们提出了卷积基于图像深度图来伪造LiDAR表现-本质上是模仿LiDAR信号。使用这种表现我们能应用不同存在基于LiDAR检测算法。在感兴趣的KITTI标准数据集上，我们的方法完成提高了存在的先进方法在基于图像表现上--提高目标的检测精度在30m范围内，从先前先进的22%达到了史无前例74%。在提交我们的算法时候，保持了最高在KITTI3D目标检测排行榜对立体图像方法。我们的代码公开在：https://github.com/mileyan/pseudo_lidar_code。

                                                     

                       

将来工作

        有多个可以研究的方向沿着我们的结果，能够提高在将来的工作：首先，高分辨率立体图能够明显提高远距目标的精度。我们的结果获得0.4百万像素-一个天壤之别的先进的相机技术。第二，在这篇文章中，我们没有集中在实时图像处理和分类对所有目标在一张图花费1秒。然而，它不可能提高这些速度达到几个数量级。最近提高在实时多分辨率深度评估展示，一个有效的方法去加速深度评估，第一计算一个深度图在低分辨率，然后合并高分辨率来改进原先的结果。这个转换从一个深度图到伪-LiDAR是快和它应该可能彻底地加速检测。例如，模型精炼或者任意时候预测。最后，它是可能的在将来工作，能够提高先进的在3D目标检测通过传感器融合LiDAR和伪-LiDAR。伪-LiDAR有优势在它的信号是比较稠密的比LiDAR，以及两个数据形态能够有完全的增强。